CN112734666A - 基于相似值的sar图像相干斑非局部均值抑制方法 - Google Patents
基于相似值的sar图像相干斑非局部均值抑制方法 Download PDFInfo
- Publication number
- CN112734666A CN112734666A CN202011628942.6A CN202011628942A CN112734666A CN 112734666 A CN112734666 A CN 112734666A CN 202011628942 A CN202011628942 A CN 202011628942A CN 112734666 A CN112734666 A CN 112734666A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- sar image
- sar
- neighborhood
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001629 suppression Effects 0.000 title claims abstract description 39
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 230000005764 inhibitory process Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001427 coherent effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 20
- 230000014759 maintenance of location Effects 0.000 description 10
- 238000004321 preservation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
技术领域
本发明属于雷达图像处理技术领域,涉及一种SAR图像相干斑抑制方法,具体涉及一种基于相似值的SAR图像相干斑非局部均值抑制方法,可用于对SAR图像进行分类、目标检测和识别。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时,全天候工作,穿透能力强的优点,被广泛应用于目标检测识别等领域。但是由于SAR相干成像技术往往使获得的SAR图像具有大量的相干斑噪声,严重影响了后续的SAR图像处理与解译。因此,相干斑抑制是SAR图像预处理过程中的重要步骤,具有重要的研究意义与实用价值。
评价SAR图像相干斑抑制能力的指标主要有三个,第一个是等效视数(EquivalentNumbers of Looks,ENL),用来评价SAR图像匀质区域的光滑程度的一个指标,ENL值越高,表示图像上的匀质区域光滑度越好;第二个是边缘保持指数(Edge Preservation Index,EPI),用来评价滤波处理后对图像的水平/垂直方向的边缘保持能力,EPI值越接近1,表示边缘保持能力越强;最后一个是SAR原始图像与相干斑抑制后的SAR图像的比值图像,用来评价SAR图像相干斑抑制方法对图像纹理细节的保留程度,对应的比值图像含有的纹理结构越少,说明该抑斑方法对图像纹理细节的保留程度越高。
目前,SAR图像成像后的相干斑抑制主要分为基于空域滤波的方法、基于变换域滤波的方法和基于非局部均值滤波的方法。基于空域滤波的方法典型算法包括Lee滤波,Kuan滤波和各向异性扩散滤波(Speckle Reducing Anisotropic Difffusion,SRAD)算法,该类算法直接对图像像素进行处理,较为简单,但并未考虑到局部结构信息,导致SAR图像的细节处理不理想;基于变换域滤波的方法典型算法包括小波变换的阈值去噪方法和多尺度的几何滤波方法,该类方法可以较好的保留图像的水平、垂直和对角的边缘信息,但是存在参数估计和处理速度相对较慢的问题;以上两类方法都只考虑了图像的局部信息,而基于非局部均值滤波的方法主要是衡量当前像素点和其邻域内以其他像素点为中心的窗内像素之间的相似度从而进行图像处理的方法,典型算法主要包括非局部均值(Non LocalMeans,NLM)滤波算法和三维块匹配滤波(Block Matching and 3D Filtering,BM3D)算法。BM3D算法是在NLM算法的基础上改进得到的,虽然去噪效果较好,但是时间空间复杂度远大于NLM算法,不便于实时处理。
基于非局部均值算法的SAR图像相干斑抑制算法可以较好的保持图像的边缘细节信息,例如申请公布号为CN111783583A,名称为“基于非局部均值算法的SAR图像相干斑抑制方法”的专利申请,公开了一种基于非局部均值算法的SAR图像相干斑抑制方法,该方法需要首先设置图像子块邻域大小,搜索域大小;选取图像中的一个像素点,计算其自适应二值权值矩阵;选取搜索域内任一像素点,计算两个像素的邻域块之间的比率距离,并计算像素权重,利用像素权重计算滤波后的像素灰度值。该方法利用比率距离代替欧氏距离来测量两个图像块的相似性,采用一个二值加权矩阵剔除邻域内与中心像素差异过大的像素点。但是该方法依赖于初始设置参数,且在计算像素权重时,没有考虑到SAR图像的强度和结构特性,抑制SAR图像相干斑噪声的能力较弱。
发明内容
本发明的目的在于克服上述现有技术存在的不足,提出了一种基于相似值的SAR图像相干斑非局部均值抑制方法,用于解决现有技术中存在的相干斑噪声抑制能力较弱的技术问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)对SAR图像I1进行预处理:
计算SAR图像I2中所有像素点像素值的均值μ以及所有像素点像素值的方差σ2,并根据μ和σ2计算SAR图像I2的等效视数L,同时对SAR图像I2进行小波变换,并根据小波变换得到的对角高频子带小波系数HH计算SAR图像I2的噪声标准差
(3)计算SAR图像I2的邻域窗边长w1和搜索窗边长w2:
(3a)定义对等效视数L变换后范围在[3,10]的函数为f(L),对L变换后范围在[1,6]的函数为g(L):
(3b)根据f(L)和g(L)确定SAR图像I2的邻域窗边长w1和搜索窗边长w2:
w1=f(L),w1∈[3,10]
w2=w1+g(L),w2∈[w1+1,w1+6];
(4)对SAR图像I2进行区域划分:
通过以w1为边长的邻域窗,并按照先行后列的顺序对SAR图像I2进行逐像素滑动,得到图像块集合U1={up|1≤p≤(H-w1+1)×(W-w1+1)},其中,up表示第p个图像块;
(5)获取每个图像块up的邻域:
选取以每个图像块up的中心为中心,以边长为w2的搜索窗内除up以外的所有图像块作为up的邻域集合U2={uq|1≤q≤(w2-w1+1)×(w2-w1+1)},其中,uq表示up的邻域中的第q个图像块;
(6)基于相似值计算每个图像块up与其每个邻域图像块uq之间的滤波权值ω(up,uq):
(6a)计算每个图像块up与其每个邻域图像块uq之间的像素强度差异值d1(up,uq);
(6b)计算每个图像块up与其每个邻域图像块uq之间的结构差异值d2(up,uq):
(6b1)按照如下公式对SAR图像I2进行滤波,得到差分SAR图像I3:
其中,I2(i,j)表示SAR图像I2第i行第j列像素的像素值,I3(ρ1,ρ2)表示SAR图像I3第ρ1行第ρ2列像素的像素值;
(6b2)通过I3中所有像素点像素值的最大值对I3进行归一化,得到取值在[0,1]的归一化差分图像I4,并通过I4构造有关像素差值的积分图Ot:
(6b3)根据积分图Ot计算每个图像块up与其每个邻域图像块uq之间的结构差异值d2(up,uq):
(6c)计算每个图像块up与其每个邻域图像块uq之间的空间距离d3(up,uq);
(6d)计算每个图像块up与其每个邻域图像块uq之间的相似值d(up,uq):
d(up,uq)=α·d1(up,uq)+β·d2(up,uq)+γ·d3(up,uq)
其中,α、β和γ分别表示将像素强度差异值、结构差异值和空间距离调整至同一数量级的权重系数;
其中,exp(·)表示以自然常数e为底的指数函数;
(7)获取SAR图像I1相干斑非局部均值抑制结果:
通过每个图像块up的邻域U2对up进行非局部均值滤波,得到滤波后SAR图像I5,并通过I5中所有像素点像素值的最大值对I5进行归一化,得到取值在[0,1]的相干斑抑制后SAR图像Iresult,即SAR图像I1相干斑非局部均值抑制后的图像,其中,对每个图像块up进行非局部均值滤波的滤波公式为:
本发明与现有技术相比,具有如下优点:
1、本发明通过每个图像块与其每个邻域图像块之间的相似值计算该每个图像块与其每个邻域图像块之间的滤波权值,与现有技术通过欧式距离或比率距离计算滤波权值的方法相比,相似值中的强度差异值和结构差异值充分考虑了SAR图像的强度和结构特性,能够提高滤波权值的精度,进而提高了等效视数和边缘保持指数,仿真结果表明,本发明有效提高了相干斑噪声的抑制能力。
2、本发明每个图像块与其每个邻域图像块之间的结构差异值,是通过对SAR图像I2进行滤波,并通过滤波后的差分SAR图像的归一化结果构造有关像素差值的积分图,然后根据积分图计算实现的,对归一化SAR图像进行滤波可以更加直观的反映出图像的结构特征,提高了归一化SAR图像结构差异值的精度。
3、本发明对SAR图像I2进行区域划分所采用的邻域窗的边长和获取每个图像块的邻域所采用的搜索窗的边长,是分别通过对等效视数L变换后的不同取值范围的函数计算获取的,与现有技术通过预先设置的方法相比,具有自适应性,可以更广泛灵活的应用于不同场景下的SAR图像相干斑抑制应用中。
附图说明
图1为本发明的实现流程图;
图2为本发明仿真实验采用的SAR图像;
图3为本发明与现有技术匀质区域光滑度的仿真结果对比图;
图4为本发明与现有技术图像纹理细节保留程度的仿真结果对比图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,本发明包括以下步骤:
步骤1)对SAR图像I1进行预处理:
其中,I1(τ1,τ2)表示SAR图像I1第τ1行第τ2列像素的像素值,I2(i,j)表示SAR图像I2第i行第j列像素的像素值,且图像高为H,宽为W,本实施例中,H=512,W=512。
计算SAR图像I2中所有像素点像素值的均值μ以及所有像素点像素值的方差σ2,并根据μ和σ2计算SAR图像I2的等效视数L,同时对SAR图像I2进行小波变换,并根据小波变换得到的对角高频子带小波系数HH计算SAR图像I2的噪声标准差SAR图像I2的等效视数L以及噪声标准差的计算公式分别为:
其中,μ表示图像I2中所有像素点像素值的均值,σ2表示图像I2中所有像素点像素值的方差,median|HH|表示对角高频子带小波系数HH绝对值的中位数。
步骤3)计算SAR图像I2的邻域窗边长w1和搜索窗边长w2:
步骤3a)定义对等效视数L变换后范围在[3,10]的函数为f(L),对L变换后范围在[1,6]的函数为g(L):
步骤3b)根据f(L)和g(L)确定SAR图像I2的邻域窗边长w1和搜索窗边长w2:
w1=f(L),w1∈[3,10]
w2=w1+g(L),w2∈[w1+1,w1+6];
通过自适应的确定SAR图像I2的邻域窗边长w1和搜索窗边长w2,可以更广泛灵活的应用于不同场景下的SAR图像相干斑抑制应用中。
步骤4)对SAR图像I2进行区域划分:
通过以w1为边长的邻域窗,并按照先行后列的顺序对SAR图像I2进行逐像素滑动,得到图像块集合U1={up|1≤p≤(H-w1+1)×(W-w1+1)},其中,up表示第p个图像块。
步骤5)获取每个图像块up的邻域:
选取以每个图像块up的中心为中心,以边长为w2的搜索窗内除up以外的所有图像块作为up的邻域集合U2={uq|1≤q≤(w2-w1+1)×(w2-w1+1)},其中,uq表示up的邻域中的第q个图像块。
步骤6)基于相似值计算每个图像块up与其每个邻域图像块uq之间的滤波权值ω(up,uq):
步骤6a)计算每个图像块up与其每个邻域图像块uq之间的像素强度差异值d1(up,uq),计算公式为:
步骤6b)计算每个图像块up与其每个邻域图像块uq之间的结构差异值d2(up,uq):
步骤6b1)按照如下公式对SAR图像I2进行滤波,得到差分SAR图像I3:
其中,I3(ρ1,ρ2)表示SAR图像I3第ρ1行第ρ2列像素的像素值,计算出差分图像I3中所有位置的像素值,差分图像I3反映的是图像中的纹理复杂程度,对于图像同质区域,纹理平滑,I3(ρ1,ρ2)较小,对于图像异质区域,纹理复杂,I3(ρ1,ρ2)较大;
步骤6b3)根据积分图Ot计算每个图像块up与其每个邻域图像块uq之间的结构差异值d2(up,uq):
引入积分图的思想就可以在常数时间内完成结构差异值计算;
步骤6c)计算每个图像块up与其每个邻域图像块uq之间的空间距离d3(up,uq);
步骤6d)计算每个图像块up与其每个邻域图像块uq之间的相似值d(up,uq):
d(up,uq)=α·d1(up,uq)+β·d2(up,uq)+γ·d3(up,uq)
其中,exp(·)表示以自然常数e为底的指数函数;通过每个图像块与其每个邻域图像块之间的相似值计算该每个图像块与其每个邻域图像块之间的滤波权值,与现有技术通过欧式距离或比率距离计算滤波权值的方法相比,相似值中的强度差异值和结构差异值充分考虑了SAR图像的强度和结构特性,能够提高滤波权值的精度,进而提高了等效视数和边缘保持指数,有效提高了相干斑噪声的抑制能力。
步骤7)获取SAR图像I1相干斑非局部均值抑制结果:
通过每个图像块up的邻域U2对up进行非局部均值滤波,得到滤波后SAR图像I5,并通过I5中所有像素点像素值的最大值maxI5对I5进行归一化,得到取值在[0,1]的相干斑抑制后SAR图像Iresult,即SAR图像I1相干斑非局部均值抑制后的图像,其中,对每个图像块up进行非局部均值滤波的滤波公式和归一化公式分别为:
下面结合仿真实验,对本发明的技术效果进行说明。
1、仿真条件和内容:
仿真的硬件平台为:处理器Intel(R)Core(TM)i7-7700HQ [email protected],内存16GB。软件平台为MATLAB R2018b。
仿真实验采用的SAR图像如图2所示,SAR图像是Terrasar某地的立交桥处SAR图像,图像大小为512×512,对选定的SAR图像分别采用现有的基于非局部均值算法的SAR图像相干斑抑制方法和本发明基于相似值的SAR图像相干斑非局部均值抑制方法进行处理,图中分别用英文字母“A”、“B”方框标记的区域分别是图像中的匀质区域和边缘较多区域。
仿真1:对本发明和现有的基于非局部均值算法的SAR图像相干斑抑制方法的匀质区域光滑度和边缘保持指数分别进行对比仿真,仿真结果如图3和表1所示;
仿真2:对本发明和现有的基于非局部均值算法的SAR图像相干斑抑制方法的纹理细节保留程度进行对比仿真,仿真结果如图4所示。
2、仿真结果分析:
SAR图像相干斑抑制领域用来衡量相干斑抑制程度的指标可分为视觉指标和参数指标。视觉指标包括匀质区域光滑度的仿真结果对比图和图像纹理细节保留程度的仿真结果对比图,匀质区域光滑度的仿真结果图通过截取SAR相干斑抑制图像得到,图像纹理细节保留程度的仿真结果图通过原始SAR图像和SAR相干斑抑制图像的比值图像得到,匀质区域光滑度的仿真结果的光滑度越高,图像纹理细节保留程度的仿真结果含有的纹理结构越少,说明相干斑抑制能力越强;参数指标主要包括等效视数ENL和边缘保持指数EPI,等效视数ENL是衡量一幅图像匀质区域的光滑程度的一种指标,边缘保持指数EPI是滤波处理后对图像的水平/垂直方向的边缘保持能力,等效视数ENL越大,边缘保持指数EPI值越大,说明相干斑抑制能力越强。
参照表1,表1中分别计算了现有技术和本发明对图2的SAR图像相干斑抑制后A区域的等效视数ENL和B区域的边缘保持指数EPI的具体数值,如表1所示。
表1
相干斑抑制算法 | A区域ENL | B区域EPI |
原图像 | 8.945 | — |
现有技术 | 10.762 | 0.864 |
本发明 | 11.449 | 0.901 |
通过表1可以看出,本发明的等效视数和边缘保持指数最大,表明本发明对SAR图像相干斑抑制能力要强于现有技术。
参照图3,图3(a)和图3(b)分别为现有的基于非局部均值算法的SAR图像相干斑抑制方法和本发明对匀质区域光滑度仿真结果图,由图3(a)可以看出,现有技术会在匀质区域产生块效应,由图3(b)可以看出,本发明并没有产生这种现象,匀质区域的光滑度更高,相干斑抑制能力更强。
参照图4,图4(a)和图4(b)分别为现有的基于非局部均值算法的SAR图像相干斑抑制方法和本发明对纹理细节保留程度仿真结果图,由图4(a)可以看出,现有技术的仿真结果图上纹理细节较多,由图4(b)可以看出,本发明的仿真结果图上纹理细节较少,相干斑抑制能力更强。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (3)
1.一种基于相似值的SAR图像相干斑非局部均值抑制方法,其特征在于,包括以下步骤:
(1)对SAR图像I1进行预处理:
计算SAR图像I2中所有像素点像素值的均值μ以及所有像素点像素值的方差σ2,并根据μ和σ2计算SAR图像I2的等效视数L,同时对SAR图像I2进行小波变换,并根据小波变换得到的对角高频子带小波系数HH计算SAR图像I2的噪声标准差
(3)计算SAR图像I2的邻域窗边长w1和搜索窗边长w2:
(3a)定义对等效视数L变换后范围在[3,10]的函数为f(L),对L变换后范围在[1,6]的函数为g(L):
(3b)根据f(L)和g(L)确定SAR图像I2的邻域窗边长w1和搜索窗边长w2:
w1=f(L),w1∈[3,10]
w2=w1+g(L),w2∈[w1+1,w1+6];
(4)对SAR图像I2进行区域划分:
通过以w1为边长的邻域窗,并按照先行后列的顺序对SAR图像I2进行逐像素滑动,得到图像块集合U1={up|1≤p≤(H-w1+1)×(W-w1+1)},其中,up表示第p个图像块;
(5)获取每个图像块up的邻域:
选取以每个图像块up的中心为中心,以边长为w2的搜索窗内除up以外的所有图像块作为up的邻域集合U2={uq|1≤q≤(w2-w1+1)×(w2-w1+1)},其中,uq表示up的邻域中的第q个图像块;
(6)基于相似值计算每个图像块up与其每个邻域图像块uq之间的滤波权值ω(up,uq):
(6a)计算每个图像块up与其每个邻域图像块uq之间的像素强度差异值d1(up,uq);
(6b)计算每个图像块up与其每个邻域图像块uq之间的结构差异值d2(up,uq):
(6b1)按照如下公式对SAR图像I2进行滤波,得到差分SAR图像I3:
其中,I2(i,j)表示SAR图像I2第i行第j列像素的像素值,I3(ρ1,ρ2)表示SAR图像I3第ρ1行第ρ2列像素的像素值;
(6b2)通过I3中所有像素点像素值的最大值对I3进行归一化,得到取值在[0,1]的归一化差分图像I4,并通过I4构造有关像素差值的积分图Ot:
(6b3)根据积分图Ot计算每个图像块up与其每个邻域图像块uq之间的结构差异值d2(up,uq):
(6c)计算每个图像块up与其每个邻域图像块uq之间的空间距离d3(up,uq);
(6d)计算每个图像块up与其每个邻域图像块uq之间的相似值d(up,uq):
d(up,uq)=α·d1(up,uq)+β·d2(up,uq)+γ·d3(up,uq)
其中,α、β和γ分别表示将像素强度差异值、结构差异值和空间距离调整至同一数量级的权重系数;
其中,exp(·)表示以自然常数e为底的指数函数;
(7)获取SAR图像I1相干斑非局部均值抑制结果:
通过每个图像块up的邻域U2对up进行非局部均值滤波,得到滤波后SAR图像I5,并通过I5中所有像素点像素值的最大值maxI5对I5进行归一化,得到取值在[0,1]的相干斑抑制后SAR图像Iresult,即SAR图像I1相干斑非局部均值抑制后的图像,其中,对每个图像块up进行非局部均值滤波的滤波公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628942.6A CN112734666B (zh) | 2020-12-31 | 2020-12-31 | 基于相似值的sar图像相干斑非局部均值抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628942.6A CN112734666B (zh) | 2020-12-31 | 2020-12-31 | 基于相似值的sar图像相干斑非局部均值抑制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734666A true CN112734666A (zh) | 2021-04-30 |
CN112734666B CN112734666B (zh) | 2023-04-07 |
Family
ID=75608171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011628942.6A Active CN112734666B (zh) | 2020-12-31 | 2020-12-31 | 基于相似值的sar图像相干斑非局部均值抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734666B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035114A (zh) * | 2022-08-11 | 2022-09-09 | 高密德隆汽车配件制造有限公司 | 基于图像处理的干草粉碎机状态监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2157544A1 (en) * | 2008-08-01 | 2010-02-24 | Julius-Maximilians-Universität Würzburg | System for adaptive removal of speckle noise in digital images and generation of a colour composite product based on automated analysis of speckle characteristics |
CN101833753A (zh) * | 2010-04-30 | 2010-09-15 | 西安电子科技大学 | 基于改进贝叶斯非局部均值滤波器的sar图像去斑方法 |
CN103020922A (zh) * | 2013-01-10 | 2013-04-03 | 西安电子科技大学 | 基于pca变换的sar图像相干斑抑制方法 |
CN104182945A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 |
CN109919870A (zh) * | 2019-03-05 | 2019-06-21 | 西安电子科技大学 | 一种基于bm3d的sar图像相干斑抑制方法 |
CN110246089A (zh) * | 2018-03-07 | 2019-09-17 | 舜宇光学(浙江)研究院有限公司 | 基于非局域均值滤波的Bayer域图像降噪***及其方法 |
CN111783583A (zh) * | 2020-06-22 | 2020-10-16 | 西安电子科技大学 | 基于非局部均值算法的sar图像相干斑抑制方法 |
-
2020
- 2020-12-31 CN CN202011628942.6A patent/CN112734666B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2157544A1 (en) * | 2008-08-01 | 2010-02-24 | Julius-Maximilians-Universität Würzburg | System for adaptive removal of speckle noise in digital images and generation of a colour composite product based on automated analysis of speckle characteristics |
CN101833753A (zh) * | 2010-04-30 | 2010-09-15 | 西安电子科技大学 | 基于改进贝叶斯非局部均值滤波器的sar图像去斑方法 |
CN103020922A (zh) * | 2013-01-10 | 2013-04-03 | 西安电子科技大学 | 基于pca变换的sar图像相干斑抑制方法 |
CN104182945A (zh) * | 2014-08-30 | 2014-12-03 | 西安电子科技大学 | 基于非局部双边滤波的极化sar相干斑噪声抑制方法 |
CN110246089A (zh) * | 2018-03-07 | 2019-09-17 | 舜宇光学(浙江)研究院有限公司 | 基于非局域均值滤波的Bayer域图像降噪***及其方法 |
CN109919870A (zh) * | 2019-03-05 | 2019-06-21 | 西安电子科技大学 | 一种基于bm3d的sar图像相干斑抑制方法 |
CN111783583A (zh) * | 2020-06-22 | 2020-10-16 | 西安电子科技大学 | 基于非局部均值算法的sar图像相干斑抑制方法 |
Non-Patent Citations (2)
Title |
---|
ANTONI BUADES ET AL.: ""Non-Local Means Denoising"", 《IPOL》 * |
鲁自立 等: ""SAR图像相干斑抑制方法综述"", 《兵器装备工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035114A (zh) * | 2022-08-11 | 2022-09-09 | 高密德隆汽车配件制造有限公司 | 基于图像处理的干草粉碎机状态监测方法 |
CN115035114B (zh) * | 2022-08-11 | 2022-11-11 | 高密德隆汽车配件制造有限公司 | 基于图像处理的干草粉碎机状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112734666B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
Wu et al. | Adaptive entropy weighted picture fuzzy clustering algorithm with spatial information for image segmentation | |
Lang et al. | Adaptive-window polarimetric SAR image speckle filtering based on a homogeneity measurement | |
CN109447073B (zh) | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 | |
CN111783583B (zh) | 基于非局部均值算法的sar图像相干斑抑制方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
Nadeem et al. | Fuzzy logic based computational model for speckle noise removal in ultrasound images | |
CN112508963B (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
Zhang et al. | Synthetic aperture radar image despeckling with a residual learning of convolutional neural network | |
CN112734666B (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
Shi et al. | A novel underwater sonar image enhancement algorithm based on approximation spaces of random sets | |
CN111080647B (zh) | 基于自适应滑动窗口滤波和fcm的sar图像分割方法 | |
Resham et al. | Noise reduction, enhancement and classification for sonar images | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
Rama Lakshmi et al. | A Review on Image Denoising Algorithms for Various Applications | |
CN112698330B (zh) | 基于比值对数积的极化sar图像非局部均值方法 | |
El-Shafai et al. | Traditional and deep-learning-based denoising methods for medical images | |
CN110751652B (zh) | 基于巴氏距离和纹理模式度量的sar图像分割方法 | |
CN114240990A (zh) | Sar图像点目标分割方法 | |
CN113822361A (zh) | 一种基于汉明距离的sar图像相似程度度量方法和*** | |
CN113759375A (zh) | 基于统计特性的sar图像非局部均值去噪方法 | |
CN110033474B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
Fang | An image segmentation technique using nonsubsampled contourlet transform and active contours |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |